Od Data Science do biznisa - Per aspera ad astra

Iako reprezentativan predstavnik Data Science populacije već u startu može imati pritužbu na “smer” naslova, sa prigovorom da bi pravi pandan za “od trnja do zvezda” bio “od biznisa do Data Science”, rekla bih da je to jedna od predrasuda, kojih Data Science zajednica treba da se oslobodi da bi imala lakšu prođu u biznisu. Za razliku od nauke, gde Data Science cilj jeste aproksimacija matematičkim (ili kakvim adekvatnim) modelima, u biznisu Data Science jeste oblik monetizacije nauke, tj. treba da shvatimo da je cilj inverzan – treba pretvoriti matematički model u profitabilnu realnost.

Cilj ovog teksta je da razmotrimo neke aspekte, koji nam mogu biti korisne smernice u postizanju tog cilja.

Premda lično nisam ljubitelj ove labele, iskoristiću je da sumiram koliko naivna labela može da nas odvede u pogrešnom smeru. Nasuprot ovoj atraktivnoj labeli, neretko nailazimo na ne tako atraktivnu realnost. Biznis, bez elementarnog poznavanja Data Science, najčešće živi u kratkoročnim oblacima “zvezdane prašine” (gde ne mislim na nužne cloud tehnologije 😊). S druge strane, Data Science kadar, koji nije pristigao iz matematičkih i srodnih nauka, i koji je bez inicijative da razume biznis, svodi se na hipotetičke priče nadevene kompleksnom terminologijom. Realnost je da ovakav biznis i Data Science čine kritičnu masu za razvoj nepoverenja kompanije u Data Science, umesto razvoja Data Science u kompaniji.

Kompanije koje su ozbiljno doživele Data Science transformaciju, ne bi trebalo da se prepoznaju ni u jednoj od gore spomenutih kategorija. Pitanje je kako da dostignemo taj stepen transformacije…Data Science se smatra najpopularnijim zanimanjem današnjice, ali suština je da veliki broj organizacija ne uspeva da sprovede uspešnu implementaciju Data Science praksi u svoj biznis i/ili da maksimizira dobit od Data Science. Glavni razlog za to jeste fundamentalno nerazumevanje, i kao posledica neumeće da se obezbede zdravi temelji Data Science organizacije, a to su kvalitetni podaci i stručni kadar, ne nužno tim redom. Ne postoji tačan odgovor na pitanje da li za uspešan data-driven biznis u kompanijama treba da budu “stariji podaci ili Data Scientist”. Jedini tačan odgovor je da su za uspeh neophodna oba, a biznis treba da bude u mogućnosti da pametno orkestrira organizacijom i rastom podataka i tima koji radi sa podacima.

Kada pričamo o kvalitetu podataka, postoje dve grane koje proističu iz ovog čvora:

1. Organizacija podataka,
2. Informativnost podataka.

Iako organizacija podataka nije nužno prvi korak u uvođenju Data Science prakse u organizaciju, svakako jeste krucijalan ako želimo da postignemo ozbiljan biznis rezultat. Ukoliko kompanija nije u mogućnosti da inicijalno proceni kvalitet i količinu podataka koje poseduje, kao i onih koje bi bilo korisno posedovati za rešavanje biznis problema, sasvim je na mestu da organizacija podataka privremeno bude u ad-hoc maniru. Od trenutka kada se utvrdi startna vrednost internih, kao i potreba za novim podacima, te obim i način korišćenja istih, organizacija podataka u formi napredne data platforme mora postati jedan od glavih prioriteta data-driven kompanije.

O čemu sve treba da misli jedna ozbiljna data platforma:

1. Kako dinamički struktuirati, organizovati, uniformisati i čuvati podatke?
2. Kako sačuvane podatke napraviti udobnim za dalju manipulaciju i transformaciju?
3. Kako na efikasan način predati rezultat Data Science procesa korisniku?
4. Kako garantovati sigurnost poverljivih podataka?

Obim podataka, kompleksnost transformacija podataka, i regulatorni standardi o zaštiti podataka treba da budu viđeni kao najznačajnije varijable u procesu izbora tehnologije i arhitekture, koja će ispuniti gore navedene potrebe data platforme.

Informativnost podatka, i mogućnost da se iz podataka izdvoji signal od šuma, je ono što čini Data Science tako “magičnim”, i ono što kompaniju može da diferencira na tržištu. Validacija internih i/ili pronalaženje eksternih izvora podataka, koji će kroz primenu Data Science metoda doprineti opisu/modeliranju realnog biznis problema, jeste proces koji može da započne i pre imanja napedne organizacije podataka. Šta više, rezultat ovog koraka predstavlja još jedan značajan input za definisanje finalne organizacije podataka. Ovo je segment koji većina ozbiljnih data-driven kompanija označava kao pravi kvalitet podataka, jer predstavlja momenat gde istraživanje počinje da dobija dimenziju biznisa. Bez obzira na to, ne treba da zaboravimo da je sveukupni kvalitet podataka, koji je neophodan za dugoročnu data-strategiju, sinergija zdrave forme i informativnog konteksta.

Već smo se dotakli toga da neko treba podatke da organizuje i održava, da neko treba da pronađe vrednost u podacima, i da neko treba da pretoči tu vrednost u dugoročnu dobit za kompaniju. Da li je Data Scientist najbolji izbor za sve ove role? Odgovor na ovo pitanje u mnogome zavisi od veličine kompanije, količine raspoloživih podataka i nivoa zrelosti data-driven strategije, kao i Data Science departmana u okviru kompanije. Za manje kompanije, ili za one koje tek započinju svoje data-putovanje, Data Scientist, kao neko ko poseduje analitičke i istrazivačke veštine, kao i zavidno poznavanje Data Science tehnologija, jeste najbolji prvi izbor. Međutim, kada se dosegne nivo gde Data Science u kompaniji počne iz istraživanja da prerasta u potencijalni proizvod, treba jasno definisati neophodne profile, koji će podržati istraživacki, tehnički i analitički Data Science posao – ako bismo hteli da te definicije sažmemo u par ključnih reči, to bi izgledalo ovako:

1. Data Scientist – ekstraktor informacije iz podataka, tj. generator valjanih biznis ideja,
2. Data Engineer – generator napredne data platforme,
3. Data Analyst – konektor na relaciji Data Engineer – Data Scientist – biznis.

Na prvi pogled različitih zaduženja, ove role, zajedno sa kvalitetnim podacima, čine neraskidivo okruzenje neophodno za uspešnu transformaciju Data Science koncepata i ideja u biznis.

Ako razumemo i usvojimo sve ove korake, dolazimo do zaključka da Data Science u najmanju ruku treba signifikantno da učestvuje u upravljanju biznisom ukoliko želimo da kreiramo profitabilnu data-driven organizaciju. Data Science treba da čine oni koji inovativnošću svojih rezultata usmeravaju biznis, i koji transparentnim jezikom biznisa umeju da opišu rezultate, svrhu i benefite svoga rada za kompaniju i korisnike istog. Dakle, ako uspemo da pojmimo Data Science kao novi talas biznisa vođen od strane tehnički potkovanih, matematički edukovanih, biznis-driven pojedinaca, možemo da kažemo da smo uspešno implementirali Data Science u poslovanje i da se, uz prihvatljivu dozu slučajnosti, krećemo “u pravom smeru”.